Deep Learning 1Modulbeschreibung #41071 / Version 1
- 6 LP
- Schriftliche Prüfung
- Benotet
- Wintersemester
- Englisch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v2)
| Modul / Version | #41071 / #1 |
|---|---|
| Gültigkeit | WiSe 2022/23 – SoSe 2025 |
| Verfügbare Sprache(n) | Englisch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Montavon, Gregoire |
| Benotung | Benotet |
| Prüfungsform | Schriftliche Prüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Softwaretechnik und Theoretische Informatik |
| Fachgebiet | 34352000 FG Maschinelles Lernen |
Kontakt
| Sekretariat | FR 6-1 |
|---|---|
| Ansprechpartner*in | Gebauer, Niklas |
| E-Mail-Adresse | dl1@ml.tu-berlin.de |
| Webseite | https://web.ml.tu-berlin.de/teaching/courses/ |
Lernergebnisse
Understanding of the foundations of neural networks and deep learning, including optimization and regularization aspects. Understanding of the most popular deep neural network architectures used in practice (e.g. convolutional neural networks). Ability to implement a neural network using common deep learning frameworks.
Lehrinhalte
Foundations of neural networks, including the perceptron, multi-layer perceptrons, activation functions, loss functions, error backpropagation, and the questions of optimization and regularization. Common optimization techniques such as SGD, momentum, and RMSProp. Common regularization techniques such as weight decay, dropout, and Lipschitz constraints. Presentation of popular architectures, such as the convolutional neural network, autoencoders, and recurrent neural networks. Introduction to the PyTorch deep learning framework.
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Deep Learning 1 - main | Integrierte Veranstaltung | Wintersemester | [en] | 4 | WiSe 2026/27 (1) ISIS |
Veranstaltungen im Vorlesungsverzeichnis
Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.
WiSe 2026/27 (1)
Deep Learning 1 - main (Integrierte Veranstaltung) 1
- Deep Learning 1 - main (Integrierte Veranstaltung) Termingruppe 1
Arbeitsaufwand und Leistungspunkte
Deep Learning 1 - main (Integrierte Veranstaltung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Concepts & Theory | 10 | 6 h | 60 h |
| Exercises | 10 | 6 h | 60 h |
| Programming | 10 | 6 h | 60 h |
| 180 h | |||
Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
The module will consist of weekly lectures accompanied with weekly homeworks.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
There are no formal prerequisites. However, prior knowledge of multivariate calculus and Python programming will be assumed. Basic knowledge of machine learning is also desirable.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Die Prüfungsvoraussetzungen konnten nicht abgerufen werden.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Schriftliche Prüfung |
| Sprache | Englisch |
| Dauer/Umfang | 120 minutes |
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Wintersemester.
Maximale teilnehmende Personen
Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.
Anmeldeformalitäten
cf. course webpage
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
nicht verfügbar
Empfohlene Literatur
Keine empfohlene Literatur angegeben
Zugeordnete Studiengänge
Diese Modulversion wird in folgenden Studiengängen verwendet:
| Studiengang / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Computational Engineering Science (Informationstechnik im Maschinenwesen) StuPO 2018 (17.01.2018) | SoSe 2025 | 2. Kernbereich: Simulation und Optimierung |
| Computer Engineering StuPO 2015 | SoSe 2025 | Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems |
| Computer Science (Informatik) StuPO 2015 | SoSe 2025 | Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems |
| Elektrotechnik StuPO 2015 | SoSe 2025 | Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems |
| Information Systems Management (Wirtschaftsinformatik) StuPO 2017 | SoSe 2025 | Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering |
Sonstiges
Keine Angabe